CN110517492B - 基于平行集成学习的交通路径推荐方法、系统、装置 - Google Patents
基于平行集成学习的交通路径推荐方法、系统、装置 Download PDFInfo
- Publication number
- CN110517492B CN110517492B CN201910793353.4A CN201910793353A CN110517492B CN 110517492 B CN110517492 B CN 110517492B CN 201910793353 A CN201910793353 A CN 201910793353A CN 110517492 B CN110517492 B CN 110517492B
- Authority
- CN
- China
- Prior art keywords
- road section
- model
- traffic
- prediction
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004088 simulation Methods 0.000 claims abstract description 56
- 238000007636 ensemble learning method Methods 0.000 claims abstract description 3
- 238000011156 evaluation Methods 0.000 claims description 68
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于智能交通系统领域,具体涉及了一种基于平行集成学习的交通路径推荐方法、系统、装置,旨在解决现有技术无法推荐最优车辆行驶路径的问题。本发明方法包括:基于交通需求信息划定可行区域并获取历史数据,根据路段划分为不同的历史数据子集;分别采用路段预测子模型获取预测结果,并获取模型最优超参数组、更新人工仿真场景、绘制可行规划区域交通拥堵地图,获取推荐行驶交通路径;其中,路段预测子模型通过平行集成学习的方法训练。本发明采用集成式模型预测未来需求并将其作为构建人工仿真场景的主要依据,同步动态更新信息,由小数据生成大数据,并从大数据中提取到小知识,有效提升道路的通行效率,缓解拥堵情况,节省出行耗时。
Description
技术领域
本发明属于智能交通系统领域,具体涉及了一种基于平行集成学习的交通路径推荐方法、系统、装置。
背景技术
21世纪以来,我国进入了城市化、现代化、机动化进程的快速发展期,机动车保有量与日俱增。城市道路交通系统四通八达,给定出发地和目的地,总有超过一条的可选路线抵达目标,如何找到畅通且道路距离最短的路径具有重要的现实意义。
由于现有导航地图没有录入一些辅路或窄路,地图中已有路段的路况信息持续变化,且驾驶员对不同路段的熟悉程度不同,以及在较长距离行驶时选择性太多却没有有益的指导信息可供参考等原因,而导致一些主要路段会由于大幅引入车辆而造成堵塞,但另外一些可行路线却由于上述原因几乎没有车辆经过。并且现有地图中推荐的路线都是从出发地到目的地的最短路径,如果有的较远路段畅通,而就近路段已经严重堵塞,此时车辆仍按照推荐最短路径行驶所消耗的时间可能比稍微绕远还长得多。
总的来说,现有路径推荐系统采用历史数据作为推荐依据,其数据可信度参差不齐,无法推荐最优车辆行驶路径,从而无法有效缓解交通拥堵。
发明内容
为了解决现有技术中的上述问题,即现有技术交通数据可信度参差不齐,无法推荐最优车辆行驶路径的问题,本发明提供了一种基于平行集成学习的交通路径推荐方法,该交通路径推荐方法包括:
步骤S10,基于获取的交通请求信息划定可行规划区域;
步骤S20,获取所述可行规划区域的设定时间段的历史交通数据,并按照路段划分为不同路段历史数据子集;
步骤S30,基于所述历史数据子集中每一个路段的数据,分别采用各路段预测子模型,获取不同路段对应的预测结果;
步骤S40,分别基于所述不同路段对应的预测结果,通过概率模型对各路段预测子模型超参数组进行筛选,获得各路段预测子模型的最优超参数组;
步骤S50,基于所述最优超参数组,更新预先构建的人工仿真场景,并绘制可行规划区域交通拥堵地图;
步骤S60,基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径。
在一些优选的实施例中,所述各路段预测子模型分别基于非线性模型构建,并通过平行集成学习的方法训练;所述各路段预测子模型中每一个路段预测子模型,其训练方法为:
步骤G10,获取设定时间段的路段历史数据子集,并随机选取m组随机路段预测子模型超参数组;
步骤G20,基于所述历史数据子集以及m组超参数组,分别计算路段预测子模型的评估损失值;所述评估损失值与对应的路段预测子模型超参数组构成评估集合;
步骤G30,将所述评估集合拟合为先验概率预测模型,并通过所述先验概率预测模型映射出预设数量的路段预测子模型的超参数组,获得超参数组集合;
步骤G40,采用推荐函数选取所述超参数组集合中一组超参数作为所述路段预测子模型的超参数组,并采用代理评估函数评估所述路段预测子模型的超参数组,获得对应的代理评估损失值;
步骤G50,若未达到预设结束条件,则将所述代理评估损失值及其对应的路段预测子模型的超参数组添加到所述评估集合中,并跳转步骤G30;否则,获得训练好的路段预测子模型。
在一些优选的实施例中,所述评估损失值为:
ek=RMSE(ytrue,ypredict),k=1,2,…,n
其中,ytrue代表真实交通需求,ypredict代表路段预测子模型的预测结果,n代表参与评估的所有交通需求的样本总数,RMSE()代表求均方根误差;
均方根误差计算方法为:
在一些优选的实施例中,所述先验概率预测模型为:
其中,θ代表模型的超参数组,fθ代表在此超参数组下形成的概率密度;e为当前评估损失值,e*为前一次评估损失值;l( )代表当前评估值e小于前一次评估值e*时超参数组在先验概率模型下的概率密度,g( )代表当前评估值e大于或等于前一次评估值e*时超参数组在先验概率模型下的概率密度。
在一些优选的实施例中,所述推荐函数为:
S(fθ)=p(fθ|e)
其中,S(fθ)代表采用推荐函数选取的超参数组在先验概率模型下的概率。
在一些优选的实施例中,所述先验概率模型通过代理评估函数进行更新,所述代理评估函数为:
其中,He={e1,e2,…,ek,…,e8},k=1,2,…,n,e(fθ)代表在超参数组θ下的代理评估损失值,S(fθ)代表采用推荐函数选取的超参数组在先验概率模型下的概率。
在一些优选的实施例中,所述预先构建的人工仿真场景,其构建方法为:
步骤R10,基于获取的路网、信号灯逻辑、道路编号以及路段预测子模型预测的交通需求数据,构建出行规划矩阵;基于输入的真实的各路段实时反馈数据,通过映射关系,获取出行校准矩阵;
步骤R20,基于所述出行规划矩阵、出行校准矩阵,动态调整仿真系统中的车辆出行路线,获得构建好的人工仿真场景。
在一些优选的实施例中,所述出行规划矩阵包括:
车辆编号信息、出发道路信息、目的地道路信息、发车时间信息、发车车道位置信息、车辆类型信息、最小车间距信息、发车初始速度信息。
本发明的另一方面,提出了一种基于平行集成学习的交通路径推荐系统,该交通路径推荐系统包括信息获取模块、数据划分模块、路段预测模块、仿真模块、路径推荐模块、输出模块;
所述信息获取模块,配置为基于获取的交通请求信息划定可行规划区域,并获取所述可行规划区域的设定时间段的历史交通数据;
所述数据划分模块,配置为基于所述历史交通数据,按照路段划分为不同路段历史数据子集;
所述路段预测模块,配置为基于所述历史数据子集中每一个路段的数据,分别采用路段预测模块中的各子模块,获取不同路段对应的预测结果;
所述仿真模块,配置为根据预先获取的路网、信号灯逻辑、道路编号以及路段预测模块预测的交通需求数据,构建人工仿真场景;基于所述不同路段对应的预测结果,更新人工仿真场景,并绘制可行规划区域交通拥堵地图;
所述路径推荐模块,配置为基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径;
所述输出模块,配置为输出所述推荐行驶交通路径。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于平行集成学习的交通路径推荐方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;所述处理器,适于执行各条程序;所述存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于平行集成学习的交通路径推荐方法。
本发明的有益效果:
(1)本发明基于平行集成学习的交通路径推荐方法,采用集成式模型预测未来需求并将其作为构建人工仿真场景的主要依据,设置较高的仿真路况信息刷新频率,并异步的发送给不同的智能体终端,大幅缓解主动式交通诱导的压力,通过使路段车辆的分配更加均匀的方式变相增强交通信号灯的疏导能力,缩短路口排队长度,通过构建合理的人工仿真系统,实现小数据生成大数据,进而从大数据中提取到小知识,有效提升道路的通行效率,缓解拥堵情况,节省出行耗时。
本发明基于平行集成学习的交通路径推荐方法,,利用已有的道路监测器实时发送给主机的交通需求数据,可以弥补数据量的不足,还可以减少部署传感器等设施的成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于平行集成学习的交通路径推荐方法的流程框架图;
图2是本发明基于平行集成学习的交通路径推荐方法一种实施例的路段预测子模型训练流程示意图;
图3是本发明基于平行集成学习的交通路径推荐方法一种实施例的人工仿真场景构建示意图;
图4是本发明基于平行集成学习的交通路径推荐方法一种实施例的出行规划示例图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于平行集成学习的交通路径推荐方法,该交通路径推荐方法包括:
步骤S10,基于获取的交通请求信息划定可行规划区域;
步骤S20,获取所述可行规划区域的设定时间段的历史交通数据,并按照路段划分为不同路段历史数据子集;
步骤S30,基于所述历史数据子集中每一个路段的数据,分别采用各路段预测子模型,获取不同路段对应的预测结果;
步骤S40,分别基于所述不同路段对应的预测结果,通过概率模型对各路段预测子模型超参数组进行筛选,获得各路段预测子模型的最优超参数组;
步骤S50,基于所述最优超参数组,更新预先构建的人工仿真场景,并绘制可行规划区域交通拥堵地图;
步骤S60,基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径。
为了更清晰地对本发明基于平行集成学习的交通路径推荐方法进行说明,下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于平行集成学习的交通路径推荐方法,包括步骤S10-步骤S60,各步骤详细描述如下:
步骤S10,基于获取的交通请求信息划定可行规划区域。
本发明一个实施例中,选取一个城市道路交通系统中10个路口及其周边路网的40个路段作为可行规划区域,应用路段监测器(如摄像头、感应线圈等)采集三个月内可行规划区域中所包含路段的历史数据。
步骤S20,获取所述可行规划区域的设定时间段的历史交通数据,并按照路段划分为不同路段历史数据子集。
本发明一个实施例中,将上述获取的历史数据按照路段划分为40个不同路段的历史数据子集,并根据3:1:1的比例划分训练集、测试集和验证集。
本发明一个实施例中,设定历史数据为S,将40个路段划分后的40个子集为{s1,s2,…,s40},每个子集中均包含若干样本sj=X1,X2,…,Xh,其中h=1,2,
步骤S30,基于所述历史数据子集中每一个路段的数据,分别采用各路段预测子模型,获取不同路段对应的预测结果。
各路段预测子模型分别基于非线性模型构建,并通过平行集成学习的方法训练,如图2所示,为本发明基于平行集成学习的交通路径推荐方法一种实施例的路段预测子模型训练流程示意图,各路段预测子模型中每一个路段预测子模型,其训练方法为:
步骤G10,获取设定时间段的路段历史数据子集,并随机选取m组随机路段预测子模型超参数组。
从上述的40个不同路段的历史数据子集选取当前训练的路段预测子模型对应的路段历史数据子集。
历史数据子集中前t时刻的数据为X=[x1,x2,…,xt],第(t+1)时刻之后的数据为y=[xt+1],数据X与数据y之间的非线性模型映射关系如式(1)所示:
y←fθ(X) 式(1)
其中,fθ()为非线性映射函数。
上述的非线性映射函数fθ()的基本单元由线性传递和非线性激活两部分组成,基本单元称为隐含层,不同的隐含层可以进行组合嵌套。
本发明一个实施例中,路段预测子模型选用三层的非线性模型结构构建,模型结构如式(2)所示:
fθ(X)←F1(W1·F2(W2·F3(W3·X+b3)+b2)+b1) 式(2)
其中,F1、F2、F3为非线性激活函数,W1、W2、W3、b1、b2、b3的集合为模型的参数组,记为θ。
选取各路段预测子模型分别进行训练,每一个子模型的超参数各不相同。本发明实施例中,为每一个子模型选择8组不同的超参数,超参数是决定模型结构的一组参数,本发明中使用的超参数包括但不限于学习率、隐含层节点数、反向传播优化器(如随机梯度下降法SGD、Adam优化法等)、神经网络类型(包含多层感知机、长短期记忆网络、门限循环单元网络等)。
步骤G20,基于所述历史数据子集以及m组超参数组,分别计算路段预测子模型的评估损失值;所述评估损失值与对应的路段预测子模型超参数组构成评估集合。
评估损失值如式(3)所示:
ek=RMSE(ytrue-ypredict),k=1,2,…,8 式(3)
其中,ytrue代表真实交通需求,即数据的真实标签;ypredict代表路段预测子模型的预测结果,k代表参与评估的所有交通需求样本的超参数组序号;RMSE()代表求均方根误差。
均方根误差计算方法如式(4)所示:
8组超参数以及对应的子模型计算的评估损失值,构成评估集合,如式(5)所示:
H={(fθ,1,e1),(fθ,2,e2),…(fθ,8,e8)} 式(5)
步骤G30,将所述评估集合拟合为先验概率预测模型,并通过所述先验概率预测模型映射出预设数量的路段预测子模型的超参数组,获得超参数组集合。
根据评估集合拟合的先验概率预测模型如式(6)所示:
其中,θ代表模型的超参数组,fθ代表在此超参数组下形成的概率密度;e为当前评估损失值,e*为前一次评估损失值;l()代表当前评估值e小于前一次评估值e*时超参数组在先验概率模型下的概率密度,g()当前评估值e大于或等于前一次评估值e*时超参数组在先验概率模型下的概率密度。
步骤G40,采用推荐函数选取所述超参数组集合中一组超参数作为所述路段预测子模型的超参数组,并采用代理评估函数评估所述路段预测子模型的超参数组,获得对应的代理评估损失值。
推荐函数如式(7)所示:
S(fθ)=p(fθ|e) 式(7)
其中,S(fθ)代表采用推荐函数选取的超参数组在先验概率模型下的概率。
先验概率模型通过代理评估函数进行更新,代理评估函数如式(8)所示:
其中,He={e1,e2,…,ek,…,e8},k=1,2,…,8,e(fθ)代表在超参数组θ下的代理评估损失值,S(fθ)代表采用推荐函数选取的超参数组在先验概率模型下的概率。
步骤G50,若未达到预设训练结束条件,则将所述代理评估损失值及其对应的路段预测子模型的超参数组添加到所述评估集合中,并跳转步骤G30;否则,获得训练好的路段预测子模型。
本发明实施例中,模型训练结束后,还采用上述的测试集和验证集评估模型的预测效果。
采用训练好的路段预测子模型,依据样本数据进行预测,并计算预测的交通行为与真实的交通行为的绝对误差,如式(9)所示:
其中,MAE代表预测的交通行为与真实的交通行为的绝对误差,Ytrue代表真实的交通行为,Ypredict代表预测的交通行为,N为交通行为Y的样本总个数。
步骤S40,分别基于所述不同路段对应的预测结果,通过概率模型对各路段预测子模型超参数组进行筛选,获得各路段预测子模型的最优超参数组,如式(10)所示:
对包含所有40个路段的数据样本S进行随机采样,并输入到一个线性模型fwx+b中实现对路段预测子模型的投票,直到所有训练样本均被遍历,如式(11)所示:
其中,yvoted代表线性模型的预测结果,Wi代表线性模型的权重参数。
步骤S50,基于所述最优超参数组,更新预先构建的人工仿真场景,并绘制可行规划区域交通拥堵地图。
预先构建人工仿真场景,如图3所示,为本发明基于平行集成学习的交通路径推荐方法一种实施例的人工仿真场景构建示意图,其过程为:
步骤R10,基于获取的路网、信号灯逻辑、道路编号以及路段预测子模型预测的交通需求数据,构建出行规划矩阵;基于输入的真实的各路段实时反馈数据,通过映射关系,获取出行校准矩阵。
出行规划矩阵包括:
车辆编号信息(ID)、出发道路信息(From)、目的地道路信息(To)、发车时间信息(Depart)、发车车道位置信息(Depart_Pos)、车辆类型信息(Type)、最小车间距信息(Min_Gap)、发车初始速度信息(Depart_Speed)。
本发明一个实施例中,构建人工仿真场景需要的数据主要包括路口车流量、路口等待时车间距离、路口信号灯配时方案、路口渠化方式等。其中,交通流量通过环形线圈检测器直接得到;路口等待时车间距离指在路口红灯等待时,前车车尾到后车车头的平均距离,可以通过实际路口统计结合经验值得到;路口渠化方式为已知数据;路口信号灯原配时方案和拥堵指数可以通过交通管理部门获取。
在其他的实施例中,交通流量还可以采用更高级的检测器取得以上数据,例如视频检测器、GPS装置和AVL装置等。
通过调节内部参数,构建仿真系统,根据历史数据构建出行路线文件。其中出行路线文件的载入是动态的,便于更新出行路线而无需重新构建路网。通过获取的路口渠化方式可以建立准确的仿真模型的地图,通过路口车流量数据,分析其时空特征,进而以此为依据调整交通仿真软件的内置参数,便可以得到和真实车流高度一致的仿真车流,或称人工车流。其中交通仿真软件应有的内置参数主要包含车辆生成率、路段车辆偏置参数、发车位置、初始发车速度、最小车间距、仿真开始和结束时间等。统计车间距离有利于建立更加准确的仿真的模型,使得仿真环境下的排队长度等数据能够更加准确。路口信号灯原配时方案的获取是为了在仿真模型中存在一个原始的信号控制方案,而拥堵指数也是为了衡量仿真模型的精度,使得路口拥堵情况在仿真模型中也尽量和真实一致。
步骤R20,基于所述出行规划矩阵、出行校准矩阵,动态调整仿真系统中的车辆出行路线,获得构建好的人工仿真场景。如图4所示,为本发明基于平行集成学习的交通路径推荐方法一种实施例的出行规划示例图,其过程为:
首先,定义路网及信号灯逻辑,定义路段检测器,根据出行矩阵规划以及交通仿真软件的工具自动生成不同车辆的行车路线。
然后,根据道路编号及相应的预测输出,设计车辆的出行矩阵,将宏观流量信息转化为微观车辆信息。根据出行矩阵规划以及交通仿真软件的工具自动生成不同车辆的行车路线。
指定生成周期和时间粒度,生成周期指的是更新一次仿真所需的时间,而时间粒度表示了车辆生成率的更新间隔。假设生成周期为3小时,时间粒度为5分钟,则将预测输出以5分钟为单位进行叠加聚合。
根据预测输出计算生成率矩阵P,其第(t+1)时刻的车辆生成率,如式(12)所示:
其中,ΔT为时间粒度常数,n为路段总数,yj为第(t+1)时刻的预测输出矩阵Y中第j条路段的预测输出。
根据预测输出计算第(t+1)时刻的前置矩阵,如式(13)所示:
Wp=Y-δ 式(13)
根据生成率矩阵P和前置偏重矩阵Wp,构建出行矩阵T。出行矩阵是前置偏重矩阵和出行校准矩阵共同作用的结果。其中出行校准矩阵是针对局部路段和局部车辆的。出行校准矩阵通过增加或减少局部路段的车辆或者调整某些车辆的出行路线达到预期的微调效果。
m辆车的出行矩阵T如式(14)所示:
其中,m由车辆生成率和前置偏重矩阵决定;Car_ID为车辆编号;From_ID为出发道路编号;To_ID为目的道路编号;Depart为发车时间;Depart_Pos为车辆在发车车道上出现的位置;Route为由经过路线组成的道路编号向量。
最后,定义仿真需求文件,并动态更新人工仿真场景中的车辆出行路线,保证人工仿真场景展示的实时性。仿真需求概括了构建仿真所需的各个组件及其路径,运行仿真时中央处理器会根据该文件寻找所需其他组件的路径。动态更新是随着时间的流动而进行的。仿真包含了多个生成周期,每个生成周期进行一次更新。
步骤S60,基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径。
本发明第二实施例的基于平行集成学习的交通路径推荐系统,该交通路径推荐系统包括信息获取模块、数据划分模块、路段预测模块、仿真模块、路径推荐模块、输出模块;
所述信息获取模块,配置为基于获取的交通请求信息划定可行规划区域,并获取所述可行规划区域的设定时间段的历史交通数据;
所述数据划分模块,配置为基于所述历史交通数据,按照路段划分为不同路段历史数据子集;
所述路段预测模块,配置为基于所述历史数据子集中每一个路段的数据,分别采用路段预测模块中的各子模块,获取不同路段对应的预测结果;
所述仿真模块,配置为根据预先获取的路网、信号灯逻辑、道路编号以及路段预测模块预测的交通需求数据,构建人工仿真场景;基于所述不同路段对应的预测结果,更新人工仿真场景,并绘制可行规划区域交通拥堵地图;
所述路径推荐模块,配置为基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径;
所述输出模块,配置为输出所述推荐行驶交通路径。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于平行集成学习的交通路径推荐系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于平行集成学习的交通路径推荐方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于平行集成学习的交通路径推荐方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于平行集成学习的交通路径推荐方法,其特征在于,该交通路径推荐方法包括:
步骤S10,基于获取的交通请求信息划定可行规划区域;
步骤S20,获取所述可行规划区域的设定时间段的历史交通数据,并按照路段划分为不同路段历史数据子集;
步骤S30,基于所述历史数据子集中每一个路段的数据,分别采用各路段预测子模型,获取不同路段对应的预测结果;
步骤S40,分别基于所述不同路段对应的预测结果,通过概率模型对各路段预测子模型超参数组进行筛选,获得各路段预测子模型的最优超参数组;
步骤S50,基于所述最优超参数组,更新预先构建的人工仿真场景,并绘制可行规划区域交通拥堵地图;
步骤S60,基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径;
其中,所述各路段预测子模型分别基于非线性模型构建,并通过平行集成学习的方法训练;所述各路段预测子模型中每一个路段预测子模型,其训练方法为:
步骤G10,获取设定时间段的路段历史数据子集,并随机选取m组随机路段预测子模型超参数组;
步骤G20,基于所述历史数据子集以及m组超参数组,分别计算路段预测子模型的评估损失值;所述评估损失值与对应的路段预测子模型超参数组构成评估集合;
步骤G30,将所述评估集合拟合为先验概率预测模型,并通过所述先验概率预测模型映射出预设数量的路段预测子模型的超参数组,获得超参数组集合;
步骤G40,采用推荐函数选取所述超参数组集合中一组超参数作为所述路段预测子模型的超参数组,并采用代理评估函数评估所述路段预测子模型的超参数组,获得对应的代理评估损失值;
步骤G50,若未达到预设结束条件,则将所述代理评估损失值及其对应的路段预测子模型的超参数组添加到所述评估集合中,并跳转步骤G30;否则,获得训练好的路段预测子模型。
4.根据权利要求1所述的基于平行集成学习的交通路径推荐方法,其特征在于,所述推荐函数为:
S(fθ)=p(fθ|e)
其中,S(fθ)代表采用推荐函数选取的超参数组在先验概率模型下的概率。
6.根据权利要求1所述的基于平行集成学习的交通路径推荐方法,其特征在于,所述预先构建的人工仿真场景,其构建方法为:
步骤R10,基于获取的路网、信号灯逻辑、道路编号以及路段预测子模型预测的交通需求数据,构建出行规划矩阵;基于输入的真实的各路段实时反馈数据,通过映射关系,获取出行校准矩阵;
步骤R20,基于所述出行规划矩阵、出行校准矩阵,动态调整仿真系统中的车辆出行路线,获得构建好的人工仿真场景。
7.根据权利要求6所述的基于平行集成学习的交通路径推荐方法,其特征在于,所述出行规划矩阵包括:
车辆编号信息、出发道路信息、目的地道路信息、发车时间信息、发车车道位置信息、车辆类型信息、最小车间距信息、发车初始速度信息。
8.一种基于平行集成学习的交通路径推荐系统,其特征在于,该交通路径推荐系统包括信息获取模块、数据划分模块、路段预测模块、仿真模块、路径推荐模块、输出模块;
所述信息获取模块,配置为基于获取的交通请求信息划定可行规划区域,并获取所述可行规划区域的设定时间段的历史交通数据;
所述数据划分模块,配置为基于所述历史交通数据,按照路段划分为不同路段历史数据子集;
所述路段预测模块,配置为基于所述历史数据子集中每一个路段的数据,分别采用路段预测模块中的各子模块,获取不同路段对应的预测结果;
所述仿真模块,配置为根据预先获取的路网、信号灯逻辑、道路编号以及路段预测模块预测的交通需求数据,构建人工仿真场景;基于所述不同路段对应的预测结果,更新人工仿真场景,并绘制可行规划区域交通拥堵地图;
所述路径推荐模块,配置为基于所述可行规划区域交通拥堵地图、交通请求信息以及更新后的人工仿真场景,获取推荐行驶交通路径;
所述输出模块,配置为输出所述推荐行驶交通路径;
其中,所述各子模块中分别配置有对应的路段预测子模型;所述路段预测子模型基于非线性模型构建,并通过平行集成学习的方法训练,其训练方法为:
步骤G10,获取设定时间段的路段历史数据子集,并随机选取m组随机路段预测子模型超参数组;
步骤G20,基于所述历史数据子集以及m组超参数组,分别计算路段预测子模型的评估损失值;所述评估损失值与对应的路段预测子模型超参数组构成评估集合;
步骤G30,将所述评估集合拟合为先验概率预测模型,并通过所述先验概率预测模型映射出预设数量的路段预测子模型的超参数组,获得超参数组集合;
步骤G40,采用推荐函数选取所述超参数组集合中一组超参数作为所述路段预测子模型的超参数组,并采用代理评估函数评估所述路段预测子模型的超参数组,获得对应的代理评估损失值;
步骤G50,若未达到预设结束条件,则将所述代理评估损失值及其对应的路段预测子模型的超参数组添加到所述评估集合中,并跳转步骤G30;否则,获得训练好的路段预测子模型。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于平行集成学习的交通路径推荐方法。
10.一种处理装置,包括
处理器,适于执行各条程序;以及
存储装置,适于存储多条程序;
其特征在于,所述程序适于由处理器加载并执行以实现:
权利要求1-7任一项所述的基于平行集成学习的交通路径推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910793353.4A CN110517492B (zh) | 2019-08-27 | 2019-08-27 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910793353.4A CN110517492B (zh) | 2019-08-27 | 2019-08-27 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517492A CN110517492A (zh) | 2019-11-29 |
CN110517492B true CN110517492B (zh) | 2020-12-01 |
Family
ID=68627155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910793353.4A Active CN110517492B (zh) | 2019-08-27 | 2019-08-27 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517492B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763739B (zh) * | 2020-06-04 | 2022-08-05 | 比亚迪股份有限公司 | 一种车辆行驶路径确定方法、装置、设备及介质 |
CN111627233A (zh) * | 2020-06-09 | 2020-09-04 | 上海商汤智能科技有限公司 | 为车辆协调通行路径的方法及装置 |
CN111767479B (zh) * | 2020-06-30 | 2023-06-27 | 北京百度网讯科技有限公司 | 推荐模型生成方法、装置、电子设备及存储介质 |
CN112116104B (zh) * | 2020-09-17 | 2024-06-18 | 京东科技控股股份有限公司 | 自动集成机器学习的方法、装置、介质及电子设备 |
US11386784B2 (en) * | 2020-11-02 | 2022-07-12 | GM Global Technology Operations LLC | Systems and methods for vehicle pose prediction |
CN114440909A (zh) * | 2020-11-03 | 2022-05-06 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112329119B (zh) * | 2020-11-27 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 虚拟场景仿真处理方法、装置、电子设备及存储介质 |
CN113516354A (zh) * | 2021-04-29 | 2021-10-19 | 重庆天智慧启科技有限公司 | 城市环境大数据协同管理中心系统 |
CN113297794A (zh) * | 2021-05-28 | 2021-08-24 | 佳都科技集团股份有限公司 | 仿真器的训练方法、交通路况的预测方法以及相关装置 |
CN113643535B (zh) * | 2021-08-02 | 2023-02-21 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN113593240B (zh) * | 2021-09-28 | 2021-12-21 | 湖南车路协同智能科技有限公司 | 一种用于车路协同的车辆路径规划方法及系统 |
CN113954868B (zh) * | 2021-10-08 | 2023-04-25 | 南京航空航天大学 | 一种基于时空交通模型的车道级路径规划方法及系统 |
CN114384823B (zh) * | 2022-03-23 | 2022-06-21 | 智能网联汽车(山东)协同创新研究院有限公司 | 基于智能网联汽车的模拟道路仿真测试系统 |
CN115049167B (zh) * | 2022-08-16 | 2022-11-08 | 北京市城市规划设计研究院 | 交通态势预测方法、装置、设备及存储介质 |
CN116543560B (zh) * | 2023-07-05 | 2023-09-22 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
CN104240496A (zh) * | 2013-06-20 | 2014-12-24 | 中国移动通信集团公司 | 一种出行路径的确定方法和装置 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
CN105551244A (zh) * | 2015-12-08 | 2016-05-04 | 重庆云途交通科技有限公司 | 一种动态路径规划方法 |
CN106781592A (zh) * | 2017-01-04 | 2017-05-31 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通导航系统及方法 |
CN107134137A (zh) * | 2017-05-25 | 2017-09-05 | 东南大学 | 一种考虑实时信息的动态路径选择方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
US9536424B2 (en) * | 2014-02-10 | 2017-01-03 | Here Global B.V. | Adaptive traffic dynamics prediction |
CN104680821A (zh) * | 2015-03-25 | 2015-06-03 | 黑龙江聚拢华玺智能科技有限公司 | 一种智能交通系统及其导航方法 |
CN108072381B (zh) * | 2016-11-18 | 2020-10-27 | 中国移动通信有限公司研究院 | 一种路径规划的方法及装置 |
US20190011275A1 (en) * | 2017-07-06 | 2019-01-10 | Andrew Whinston | System and method for routing autonomous vehicles |
CN109544929B (zh) * | 2018-12-14 | 2020-12-15 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
CN110164128B (zh) * | 2019-04-23 | 2020-10-27 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
-
2019
- 2019-08-27 CN CN201910793353.4A patent/CN110517492B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240496A (zh) * | 2013-06-20 | 2014-12-24 | 中国移动通信集团公司 | 一种出行路径的确定方法和装置 |
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
CN105551244A (zh) * | 2015-12-08 | 2016-05-04 | 重庆云途交通科技有限公司 | 一种动态路径规划方法 |
CN106781592A (zh) * | 2017-01-04 | 2017-05-31 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通导航系统及方法 |
CN107134137A (zh) * | 2017-05-25 | 2017-09-05 | 东南大学 | 一种考虑实时信息的动态路径选择方法 |
Non-Patent Citations (2)
Title |
---|
城市智能交通中的动态路径规划研究;李军;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170415;全文 * |
平行交通:虚实互动的智能交通管理与控制;吕宜生 等;《智能科学与技术学报》;20190331;第1卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110517492A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517492B (zh) | 基于平行集成学习的交通路径推荐方法、系统、装置 | |
Gil et al. | Surrogate model based optimization of traffic lights cycles and green period ratios using microscopic simulation and fuzzy rule interpolation | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
Ben-Akiva et al. | A dynamic traffic assignment model for highly congested urban networks | |
CN107111794B (zh) | 预测和利用地图服务中出行时间的可变性 | |
Zheng et al. | A dynamic cordon pricing scheme combining the macroscopic fundamental diagram and an agent-based traffic model | |
CN110164128A (zh) | 一种城市级智能交通仿真系统 | |
Otković et al. | Calibration of microsimulation traffic model using neural network approach | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
EP3035314A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
CN110400015A (zh) | 一种时间估计方法及其装置、设备 | |
Garcia‐Dorado et al. | Designing large‐scale interactive traffic animations for urban modeling | |
Lederman et al. | Real-time traffic estimation using data expansion | |
Arjona et al. | Improving parking availability information using deep learning techniques | |
CN109920248A (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
Wismans et al. | Real time traffic models, decision support for traffic management | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
Fujimoto et al. | Ad hoc distributed simulations | |
CN117669993B (zh) | 一种渐进式充电设施规划方法、装置、终端及存储介质 | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
CN109255948A (zh) | 一种基于卡尔曼滤波的分车道车流比例预测方法 | |
JP6366296B2 (ja) | 経路探索装置および経路探索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |